Chatbots en virtuele agents
De eerste en meest herkenbare use case is de chatbot of virtuele agent. Deze interfaces voeren een gesprek als een mens, beantwoorden vragen en bieden 24/7 klantenservice. Met LLM's krijgen klanten sneller een relevant antwoord en dat merk je in tevredenheid en betrokkenheid.
We zien hier al groot succes. Klarna meldde bijvoorbeeld dat een AI-assistent twee derde van alle klantenservicechats afhandelde.
- De AI-assistent heeft 2,3 miljoen gesprekken gevoerd, twee derde van Klarna's klantenservicechats
- Het doet het equivalent werk van 700 fulltime medewerkers
- Het scoort gelijk aan menselijke medewerkers op het gebied van klanttevredenheid
- Het is nauwkeuriger in het afhandelen van zaken, wat leidt tot 25% minder herhaalvragen
- Klanten lossen hun zaken nu op in minder dan 2 minuten, vergeleken met 11 minuten voorheen
Naar verwachting levert dit Klarna in 2024 een winststijging van USD 40 miljoen op, een opmerkelijk rendement op een technologie-investering van enkele miljoenen.
Bij Klarna is menselijke tussenkomst misschien minimaal, maar ook high-touch klantenserviceafdelingen hebben baat bij zulke systemen, omdat medewerkers er sneller mee kunnen reageren.
Co-pilots
Co-pilots werken naast mensen om ze productiever te maken. Ze helpen bij schrijf-, code- en ontwerptaken met suggesties, correcties en gegenereerde content. Daardoor gaat het werk sneller en worden complexe taken beter beheersbaar.
Co-pilots zitten al stevig in de dagelijkse workflow van developers, dus er is ook goed onderzoek naar hun effect. GitHub, dat zijn Copilot 2 jaar geleden uitbracht, deed een a/b-test met de volgende resultaten:
- Hoger percentage voltooide taken (78%, vergeleken met 70% in de groep zonder Copilot).
- Een opvallend verschil was dat developers die Copilot gebruikten de taak aanzienlijk sneller voltooiden (55%) dan developers die Copilot niet gebruikten.
Daarnaast meldden ze dat:
- Tussen de 60 en 75% van de gebruikers gaf aan zich meer voldaan te voelen in hun werk, zich minder gefrustreerd te voelen tijdens het coderen en zich te kunnen richten op bevredigender werk.
- Copilot hielp hen in de flow te blijven (73%) en mentale inspanning te besparen bij repetitieve taken (87%).
Scott Galloway, hoogleraar aan NYU, schreef een uitgebreid stuk over waarom AI nu al verantwoordelijk is voor de recente ontslagrondes en recordwinsten die techbedrijven over de hele linie boeken.
Chatten met data (RAGs)
Met RAG, Retrieval-Augmented Generation, haalt een LLM in real time informatie uit verschillende bronnen om vragen te beantwoorden, aanbevelingen te doen of inzichten te geven. Je chat als het ware met je data, waarbij de LLM de context begrijpt en precieze informatie teruggeeft. Dat maakt data toegankelijker en bruikbaarder voor besluitvorming.
Deze use case gaat meestal over interne bedrijfsdata, dus publieke succesverhalen met meetbare effecten zijn schaarser. OpenAI publiceerde wel een case study over zo'n systeem bij een financiële instelling. Ze begonnen met een nauwkeurigheid van 45% en wisten die op te schroeven naar meer dan 95%, waarmee het een handig hulpmiddel werd voor medewerkers om interne informatie op te zoeken.
Classificatie en typische NLP-taken
LLM's zijn goed in classificatie en andere Natural Language Processing (NLP)-taken, zoals sentimentanalyse. Bedrijven kunnen daarmee het begrijpen en categoriseren van tekst automatiseren, van klantfeedback tot marktonderzoek. Zo halen ze meer uit hun data.
Zo kunnen LLM's e-mails, supporttickets en social media-berichten ordenen en categoriseren, waardoor bedrijven klantbehoeften makkelijker prioriteren en beantwoorden. Voor grote bedrijven met een divers klantenbestand is dat veel waard. LLM's helpen ook bij contentmoderatie, door ongepast of irrelevant materiaal automatisch te herkennen en te filteren. Online platformen blijven zo veilig en relevant, met minder werk voor menselijke moderatoren.
Goede NLP-systemen bouwen was vroeger veel werk, met veel handmatig afstemmen van algoritmes op een specifieke taal of taak. Met LLM's zijn complexe NLP-use cases haalbaarder geworden en de resultaten zijn vaak beter dan die van traditionele systemen. Een LLM past zich met minimale aanpassing aan een breed scala aan taken aan.
Autonome agents
Autonome agents zijn de voorhoede van LLM-toepassingen. Ze voeren taken uit, nemen beslissingen en leren van hun interacties, met minimaal menselijk toezicht. Van routinetaken automatiseren tot complexe systemen beheren, agents laten zien hoe machines meer verantwoordelijkheid en initiatief kunnen nemen.
Dit is waarschijnlijk de meest complexe use case, maar ook hier gaat het snel. Een duidelijk voorbeeld is sales-automatisering. Je geeft een virtuele SDR de opdracht om je pipeline te laten groeien en toegang tot je LinkedIn-account. De assistent gaat dan:
- De best passende klanten ontdekken en een leadlijst opstellen
- Alle leads diepgaand onderzoeken
- Outreach personaliseren om conversies te stimuleren
- Op meerdere kanalen in gesprek gaan met prospects om meetings voor je te regelen
De resultaten van dit soort systemen zijn nog pril en komen grotendeels van de aanbieders zelf. Maar als deze agents hun werk goed doen, hoeven mensen in sales zich alleen nog op het einde van de funnel te richten en dat kan veel opleveren.
En jouw bedrijf?
Large Language Models veranderen sectoren door oude problemen anders op te lossen en nieuwe mogelijkheden te openen voor interactie en automatisering. We staan nog aan het begin van wat er met LLM's kan. Hopelijk geven deze vijf use cases leiders genoeg houvast om te gaan experimenteren met wat LLM's voor hun eigen organisatie kunnen betekenen.
